李飛飛World Labs推出世界模型Atlas，鎖定空間智慧

由史丹佛大學教授、AI先驅李飛飛（Fei-Fei Li）創立的新創公司World Labs，於9月1日發表新一代世界模型Atlas。開發團隊從頭對其進行預訓練，讓它能原生處理文字、圖像、影像及3D內容，並表示Atlas僅需一張照片就能重建真實世界的3D場景，可生成長達一分鐘、具備精準相機控制的高解析度影片，也能產生機器人在模擬環境中訓練所需的深度資料。李飛飛將這次發表視為World Labs的里程碑式成果，指出Atlas為從視覺特效到機器人的眾多應用場景打開了大門。

Atlas究竟能做到哪些事

• 相機控制生成：僅需一至六張參考圖像，Atlas便能生成具備像素級精準相機控制的影片，最長可輸出一分鐘、1440p解析度的影片。
• 空間重建：輸入一張到數十張，有時甚至超過百張圖像，Atlas既能生成全新視角的圖像影格，也能產出點雲與3D高斯潑濺等明確的3D輸出成果，實際表現可勝過專門針對3D重建訓練的頂尖模型。
• 時空模擬：僅憑幾支手機拍攝的普通影片，Atlas便能凍結畫面並從不可能的角度重新構圖，同時支援「真實到模擬」的工作流程，讓機器人在生成的環境中訓練與測試。
• 圖像生成：Atlas能自文字生成圖像和360度全景圖，可遵循複雜的提示詞、渲染文字，並產生各式各樣的視覺風格。

在技術架構上，Atlas是開發團隊所稱的多模態自回歸擴散轉換器（multimodal autoregressive diffusion transformer），從零開始預訓練，而非在既有的影片或語言模型上改造而成。文字、圖像、相機姿態、3D深度圖等每一種輸入，都會被錨定在一個共享空間脈絡中的特定位置，Atlas便以此脈絡中已存在的一切內容為條件，生成接下來的輸出；例如兩張毫無關聯的參考圖像，只要分別指定它們在3D空間中的位置，Atlas就能將兩者縫合成一個空間自然、連貫的世界。這使Atlas有別於OpenAI的Sora等仰賴不精確文字提示來控制相機角度和動作的早期視訊生成器：Atlas將相機軌跡與場景幾何作為原生輸入，得以展現文字提示無法提供的逐格精準控制。開發團隊表示，隨著訓練資源持續增加，Atlas的效能表現隨之提升，預期此一趨勢會延續下去。

押注機器人，不只是視覺特效

這次發表延續了World Labs今年以來的布局。今年6月，李飛飛提出一套框架，將世界模型分為渲染器、模擬器與規劃器三類，並明確指出模擬器最為關鍵，因為它承載著渲染與行動共同依賴的幾何、物理和動力學基礎。7月21日，World Labs收購了機器人模擬新創公司SceniX；一週後的7月28日，公司公開了「真實到模擬、再到真實」系統，強調機器人領域最大的瓶頸在於缺乏廉價、可控、可規模化的訓練經驗。Atlas正是串起這些布局的關鍵：它能將普通照片或影片轉化為3D空間，再轉化為機器人訓練所需的感測器視角與可變化的模擬環境。World Labs已展示了一些令人驚豔的測試案例，並表示Atlas在創意視覺效果和遊戲設計方面亦有成果，然而開發團隊坦言，真正的目標是為訓練機器人建立準確的模擬，這也是Atlas在競爭激烈的世界模型市場中脫穎而出的關鍵。

世界模型能生成、重建並模擬任何可能存在的世界，理解各種世界的樣貌、行為方式及演變過程，可為創作型使用者渲染想像中的世界，高度模擬真實世界，也能協助機器人規劃各項行動。

World Labs表示，Atlas目前正分階段開放，先向部分合作夥伴提供早期存取權限，其餘使用者可於官網申請存取。公司將Atlas定位為未來版Marble以及其他產品線的底層模型。對台灣的AI團隊、遊戲與視效工作室,以及在機器人與硬體供應鏈上耕耘已久的業者而言,實際的改變在於取得可用3D資料的成本大幅降低:過去需要昂貴的擷取設備或數月的專業3D重建工作,如今幾張普通照片或一段手機影片,就足以成為打造模擬環境、遊戲關卡或機器人訓練場的起點——前提是當更多業者能實際測試Atlas之後,這些早期成果依然能站得住腳。